Туробов Алексей Владимирович - аспирант Школы политических наук Факультета социальных наук Национального исследовательского университета «Высшая школа экономики»
Москва
Mr Alexey Turobov - Doctoral Candidate, School of Politics and Governance,National Research University “Higher School of Economics”
Moscow, 101000
Чумакова Мария Алексеевна - кандидат психологических наук, доцент Департамента психологии Факультета социальных наук Национального исследовательского университета «Высшая школа экономики»
Москва
Dr Maria Chumakova - Associate Professor, School of Psychology, Faculty of Social Sciences, National Research University – Higher School of Economics
Moscow, 101000
Вечерин Александр Викторович - кандидат психологических наук, старший преподаватель Департамента психологии Факультета социальных наук Национального исследовательского университета «Высшая школа экономики»
Москва
Dr Aleksandr Vecherin - Senior Lecturer, School of Psychology, Faculty of Social Sciences, National Research University – Higher School of Economics
Moscow, 101000
Сфера обеспечения безопасности наполняется новыми элементами (например, кибербезопасность, информационная безопасность, безопасность компьютерных сетей и т.д.); расширяется арсенал средств обеспечения безопасности (технологии, а также технические и организационные средства, включая телекоммуникационные каналы для сбора, формирования, обработки, передачи или приёма информации об угрозах безопасности и мерах по её укреплению), которые значительно укрепляются за счёт использования цифровых технологий. В данной работе проводится анализ современных методов и технологий прогнозирования преступности, применяемых в области национальной безопасности. Достижения в сфере науки о данных (Data Science) и работы с большими данными (Big Data) заложили научную основу для развития интеллектуального анализа данных (Intellectual Analysis, Predictive Analysis), на основании которого сформировалось математико-статистическое прогнозирование общественно опасных преступных деяний (антитеррористические алгоритмы, алгоритмы прогнозирования деятельности организованной преступности/банд). Цель статьи заключается в выявлении основных тенденций и потенциальных выгод применения цифровых технологий, а также определение вызовов, стоящих перед государствами при использовании математико-статистических методов прогнозирования преступности. Посредством мета-анализа научных разработок и практического применения алгоритмов прогнозирования преступности в разных странах (США, Китай, Япония, Сингапур, Индия) демонстрируется разнообразие подходов в применении прогностических систем. В первой части статьи представлены методологические и технические аспекты применения алгоритмов. Вторая часть содержит обзор национальных практик использования алгоритмов прогнозирования преступности в Индии, Японии и Сингапуре. Третья и четвёртая части посвящены более детальному рассмотрению стратегий и практик применения алгоритмов в США и Китае соответственно. Выбор стран-кейсов Индии, Японии и Сингапура определяется высокими показателями в различных инновационных и технологических рейтингах стран мира. Китай и США имеют большие технологические экономики, располагающие наиболее развитыми цифровыми технологиями. В результате метаанализа выявлены риски и выгоды применения математико-статистических алгоритмов прогнозирования преступности, в числе которых: «милитаризация» гражданской сферы; игнорирование социальных, культурных и политических аспектов жизни обществ, из-за чего утрачивается точность статистического прогноза; использование исторических данных (зарегистрированные преступления) содержат изначально заложенные расовые, половые, конъектурные предрассудки; существующие подходы не учитывают личностные особенности субъекта, также процессы принятия решения о совершении противоправных действий; отсутствие государственного контроля за соблюдением баланса между использованием алгоритмов и соблюдением прав граждан.
The sphere of security provision is expanding and constantly bringing in new elements, including cybersecurity, information security, computer network security, etc.). The arsenal of security tools is also growing due to the ongoing proliferation of digital technologies (e.g. different technologies and telecommunication channels for collecting, forming, processing, transmitting or receiving information related to security of the state). The article provides an analysis of current methods and technologies for crime forecasting in the national security domain. Achievements in the Data Science and Big Data generated the scientific basis for the development of Intellectual Data Analysis (Intellectual Analysis, Predictive Analysis), based on which mathematical and statistical forecasting of socially dangerous, criminal acts was designed (e.g. anti-terrorism algorithms, algorithms for predicting the activities of organized crime/gangs). The article aims to identify major trends and potential benefits of digital technologies proliferation as well as the challenges that states face while using mathematical and statistical methods for predicting crime. The meta-analysis of scientific researches and implementation of crime forecasting algorithms in different countries (such as USA, China, Japan, Singapore, India) helps to demonstrate a pluralism of approaches in the application of forecasting systems. The first part of the article presents the methodological and technical aspects of criminal data mining. The second part provides an overview of national practices in using crime prediction algorithms by the examples of Singapore, Japan, and India. The third and fourth parts are devoted to a more detailed analysis of the strategies and tactics of using algorithms in the USA and China, respectively. The analysis reveals the risks and benefits inherent in the most frequently applied mathematical and statistical crime forecasting algorithms. First, it is the “militarization” of the civilian sphere. Second, the algorithms, which do not take into account the social, cultural and political features of a given society, lead to the loss of statistical significance of forecasting. Third, historical data (recorded crimes) often contain racial, sexual, and contextual biases. Fourth, existing approaches do not pay heed to personal characteristics of a subject, as well as decision-making processes not infrequently resulting in wrongful conduct. Finally, there is no state control over the balance between the use of algorithms and respect for human rights.
The authors declare that there are no conflicts of interest present.